Análise exploratória: - MATERIAIS E MÉTODOS:

MATERIAIS E MÉTODOS:

4.2.1 Análise exploratória:

Nesta etapa foi realizado um cruzamento de variáveis, no qual foram exploradas as relações entre: municípios e sexo; município e faixa etária, município e beneficiários de planos de saúde, município e a faixa de classes, município e classificação, município e atendimento. A seguir, foram construídos histogramas das variáveis do BDE, buscando-se verificar sua distribuição de probabilidade. A simetria das variáveis e a prebuscando-sença de outliers foi analisada por meio de box plots.

A seguir, foram calculadas as correlações bivariadas entre as variáveis (proporções):

sexo, faixa etária, classificação, atendimento, faixa de classes e a variável de desfecho beneficiário de plano de saúde. Além dessas também foram correlacionadas: IDH-M, PIB percapita, leitos, hospitais, internações e somagastos. Nos casos em que se detectou a necessidade de transformação logarítmica, a variável transformada foi usada nas correlações acima.

Esta etapa buscou: i) identificar as variáveis altamente correlacionadas, que poderiam introduzir problemas de multicolinearidade no modelo final; ii) selecionar as variáveis com alguma relação linear com a variável de desfecho (beneficiários de plano de saúde) buscando-se as relações significativas para o processo de modelagem.

4.3 – Modelagem:

4.3.1 – Objetivo:

Buscou-se modelar a proporção de beneficiários de planos de saúde em municípios das regiões metropolitanas brasileiras, em função das condições sócio-econômicas, demográficas e da utilização de serviços de saúde.

4.3.2 – Construção do modelo:

Um modelo de Regressão Linear Multivariada (RLM) foi construído utilizando as variáveis selecionadas na etapa anterior. Tal modelo assumiu a forma:

Y_i = b₀ + b₁Xi₁ + b₂X_i2 + ...b_pX_ip + ei (1)

Em que Y_i é a resposta no i-ésimo município, neste caso posse de plano; e X_i1 e X_i2, são os valores das variáveis preditoras no i-ésimo município. Os parâmetros do modelo são os coeficientes b0, b1, b2 e o ei é o termo do erro aleatório estimado.

As variáveis que não apresentaram correlação com a variável desfecho foram descartadas, e em um primeiro ensaio, as demais variáveis preditoras (mencionadas anteriormente) foram incluídas no modelo (logaritmizadas quando necessário). A seguir, as variáveis que apresentavam multicolinearidade foram descartadas, chegando-se assim a um modelo final.

A adequação dos modelos foi averiguada por meio do índice R² (fração da variância dos dados explicada pela regressão), pelas medidas de multicolinearidade dos preditores (tolerâncias) e pela significância estatística dos coeficientes da regressão (Intervalos de Confiança de 95%). Também se procedeu a uma análise de normalidade

para os resíduos da regressão e uma análise de observações discrepantes, com o objetivo de testarem-se as suposições do modelo.

Uma vez identificadas às variáveis estatisticamente significativas do modelo final, uma classificação dos municípios analisados foi realizada, agrupando-se as variáveis identificadas de acordo com suas características (sócio-econômicas ou de utilização de serviços de saúde) e computando-se, para cada município, o valor do somatório dessas variáveis, ponderadas por seus respectivos coeficientes de regressão. Assim, para determinado município m, seu índice de classificação para um dos aspectos acima assumia o valor:

Im = b1X1 + b2X2 + ... + bkXk (2);

em que k é o número de variáveis identificadas para o índice, b é o coeficiente não-padronizado de regressão e X é o valor da proporção de cada variável.

O primeiro desses índices foi relativo aos fatores sócio-econômicos que influenciam a posse de plano de saúde; e o segundo à oferta de serviços de saúde públicos. Para o cômputo do primeiro, tomaram-se os valores das variáveis proporção de faixa de classes e IDH-M multiplicados pelos respectivos coeficientes não-padronizado e somados; gerando assim a Soma Ponderada dos fatores Sócio-Econômicos (SPSE). Para o segundo, analogamente, tomaram-se os valores das variáveis proporção de atendimento e proporção de hospitais (Ln) multiplicados pelos respectivos coeficientes não-padronizados e somados; gerando assim a Soma Ponderada da utilização de serviços do SUS (SPSUS). A seguir, verificou-se a posição de cada município relativamente à diferença nos rankings sócio-econômico x proporção de beneficiários de planos (ANEXOE), e uma nova classificação foi construída a partir dessas diferenças.

CAPÍTULO 5 RESULTADOS 5.1 – Análise exploratória:

5.1.1 - Cruzamento (“crosstabs”) entre variáveis:

O Anexo C mostra os resultados dos cruzamentos entre a unidade amostral - municípios e as variáveis que caracterizaram o estudo ecológico virão na forma:

proporção de sexo (categoria masculino), proporção da faixa etária (categoria jovens 0-39 anos), proporção de beneficiários (categorias apenas um e mais de uma posse de plano), proporção de classificação (categoria bom), proporção de atendimento (categoria sim) e proporção de faixa de classes (categoria A ou B).

Pode ser observada a existência de uma associação entre as variáveis do estudo e os municípios, e a partir dessa relação foram obtidas as médias das proporções das variáveis, assim como a faixa de variação entre o valor mínimo e o máximo de cada uma delas. As médias proporcionais das variáveis: proporção de sexo (categoria masculino), proporção de faixa etária (categoria jovens 0-39 anos), proporção de beneficiários (categorias apenas um e mais de uma posse de plano), proporção de classificação (categoria bom), proporção de atendimento (categoria sim) e proporção de faixa de classes (categoria A ou B), respectivamente: 49,0; 70,4; 23,9; 94,9; 61,6 e 21,7%. A faixa de variação (%) entre os valores mínimos e máximos das variáveis: sexo (masculino), faixa etária (jovens), posse de plano (apenas um somado a categoria mais de um), classificação (bom), atendimento (sim) e faixa de classes (A ou B) foram, respectivamente: 42,8 a 66,7; 53,4 a 83,6; 1,5 a 59,2; 73,4 a 100; 1,9 a 100 e 4,3 a 60,8.

5.1.2 – Histogramas:

Os resultados desta etapa (ANEXO D) mostraram, tanto para a variável proporção de sexo quanto para a variável faixa etária, uma distribuição normal, com apenas um valor discrepante (Paracambi, RJ, com uma proporção acima de 65% para a variável proporção de sexo). A variável proporção de beneficiários também segue uma distribuição normal, assim como proporção de faixa de classes (A ou B), porém esta última possui apenas um valor discrepante (Niterói, RJ, com uma proporção acima de 60%). Por outro lado, as variáveis proporção de atendimento e proporção de classificação não demonstraram obedecer a uma distribuição normal, e por isso foram logaritmizadas.

5.1.3 - Box plots:

O diagrama da variável proporção de sexo mostra que os municípios 64 e 42, (Lapa no Paraná e Franco da Rocha em São Paulo) representam os limites inferior e superior. A variável proporção de beneficiários mostra ser simétrica, não apresentado valores discrepantes nem outiliers; a variável proporção de faixa de classes mostra-se também simétrica, porém os municípios 39 e 78, respectivamente, Ferraz de Vasconcelos em São Paulo e Niterói no Rio de Janeiro possuem valores discrepantes na parte superior da Figura 5.1.

Figura 5.1 – “Box plots” das variáveis proporção de sexo, proporção de beneficiários e proporção de faixa de classes:

A variável proporção de faixa etária apresenta uma boa simetria, com apenas o município 66, Magé, RJ, apresentando um valor discrepante na parte inferior da figura 5.2. A variável proporção da classificação possui a maior parte de valores entre 90% e 100%. Os municípios 4, 24, 113, 16 e 25 (Caucaia no Ceará, Ananindeua no Pará, São Lourenço da Mata em Pernambuco, Camaçari na Bahia e Charqueadas no Rio Grande do Sul) possuem valores discrepantes (parte inferior da Figura 5.2). A variável atendimento possui uma boa simetria, com apenas o município 102, Ferraz de Vasconcelos, apresentando um valor discrepante na parte inferior da Figura 5.2.

Figura 5.2 – “Box plots” das variáveis, proporção de faixa etária, proporção da classificação e proporção de atendimento.

Proporção de Faixa etária

Proporção de Classificação

Proporção de Atendimento

0,00 20,00 40,00 60,00 80,00 100,00

16 113 24 25

5.1.4 – Correlações:

A Tabela 5.1 mostra as correlações bivariadas dos preditores com a variável desfecho proporção de beneficiários, destacando-se em negrito os valores-p.

Tabela 5.1 – Correlações bivariadas: preditores – sexo, faixa etária, atendimento, IDH-M, faixa de classes, classificação, PIBpercapita, leitos, hospitais, somagastos e internações. Variável dependente - proporção de beneficiários.

Variável (%)/valor-p/N Beneficiários (%) Variável/valor-p/N Beneficiários (%)

Sexo

As correlações consideradas estatisticamente significativas (p < 0,05) das variáveis testadas com proporção de beneficiários foram: proporção de sexo, proporção de faixa etária, atendimento, faixa de classes, IDH-M, hospitais, somagastos, internações e classificação.

5.2 – Regressões Lineares Múltiplas (RLM):

Como mencionado na seção 4.3.2 dos métodos, primeiramente foi testado um modelo que não incluía as variáveis consideradas como associadas à variável desfecho de acordo com os critérios anteriormente explicitados (hospitais, somagastos e internações logaritmizadas). Assim, o modelo inicial foi (modelo 1):

beneficiários = b0 + b1 sexo+ b2 faixa etária + b3 classificação + b4 atendimento + b₅faixa de classes + b₆ IDH-M + b₇hospitais + b₈internações + b₉ somagastos₊ εi

Deste modelo foram retiradas as variáveis classificação, somagastos e internações, devido à sua não-significância estatística ou à instabilidade introduzida no modelo (sinais “trocados” relativamente ao esperado perda de significância estatística). Chegou-se, assim, ao modelo final (modelo 2):

beneficiários = b0 + b1 sexo+ b2 faixa etária + b3 faixa de classes + b4 IDH-M + b5

atendimento + b₆hospitais + ε i

Nas equações acima, todas as variáveis estão sob a forma de proporções, com exceção de hospitais, internações, somagastos e atendimento (por número de habitantes) e IDH-m.

As tabelas 5.2 e 5.3 mostram, nessa ordem, o resumo dos modelos com os preditores, o percentual de variância explicado pelo modelo (R²), o R² ajustado, os coeficientes e os testes estatísticos para o modelo final.

Tabela 5.2 – Resumo dos modelos. Variável dependente: beneficiários. Vide definição de variáveis no capítulo Materiais e Métodos

Preditores R² R²ajustado Estatística F “Valor-p” p/R²

Sexo, Faixa etária, Classificação, Atendimento, Faixa de classes, IDH-M, Hospitais, Internações e Somagastos

Modelo 1 ,84 ,83 63,34 ,000

Sexo, Faixa etária, Atendimento, faixa de classes, IDH-M e Hospitais ln.

Modelo 2 ,83 ,82 94,19 ,000

Tabela 5.3 – Coeficientes e valores-p para o modelo final:

Preditores Coeficientes Não-padronizados Coeficientes padronizados Teste t Valor-p

(Constante) -49,60 --- -2,909 ,004

Proporção de Sexo -,451 -,097 -2,469 ,015

Proporção de Faixa etária ,444 ,187 3,846 ,000

Proporção de atendimento -,098 -,138 -2,458 ,015

Proporção de Faixa de classes ,879 ,687 9,702 ,000

IDH-M 58,11 ,213 4,164 ,000

Hospitais ln -1,571 -,099 -2,431 ,016

5.3 – Resíduos e tolerâncias:

No modelo final, as tolerâncias (medidas de colinearidade) de todas as variáveis situaram-se entre 0,29 e 0,95, o que atende ao que é recomendado na literatura (a partir de 0,20). (Manual SPPS 14.0, 2005). Os resíduos padronizados estão representados abaixo (Figura 5.3). Ao serem retirados os municípios com maiores valores em seus resíduos, não foram constatadas mudanças significativas nos resultados.

Figura 5.3 – Gráfico dos Resíduos padronizados com a normal P-P.

5.4 – Valores ponderados:

Como descrito no capítulo de Métodos, a partir das variáveis estatisticamente significativas do modelo final, dois índices de classificação de municípios foram desenvolvidos. O primeiro desses índices foi relativo aos fatores sócio-econômicos que influenciam a proporção de beneficiários de planos privados de saúde; e o segundo relativo às variáveis representando a oferta de serviços de saúde públicos. Para o

0,0 0,2 0,4 0,6 0,8 1,0

Probabilidade cumulativa 0,0

0,2 0,4 0,6 0,8 1,0

Expected Cum Prob

Variável dependente:

Proporção de Beneficiários

multiplicados pelos respectivos coeficientes não-padronizado (Tabela 5.3) e somados;

gerando assim a Soma Ponderada dos fatores Sócio-Econômicos (SPSE). Para o segundo, analogamente, tomaram-se os valores das variáveis atendimento e hospitais ln multiplicados pelos respectivos coeficientes não-padronizados e somados; gerando assim a Soma Ponderada da utilização de serviços do SUS (SPSUS). As tabelas 5.4 e 5.5 mostram os resultados desses índices, assim como a classificação dos cinco primeiros e últimos municípios em ordem decrescente.

Tabela 5.4 – resultados do índice: Soma Ponderada dos fatores Sócio-econômicos.

Município SPSE Classificação

Niterói, RJ 105,16 1

Porto Alegre, RS 90,72 2

Ferraz de Vasconcelos, SP 90,10 3

São Bernardo do Campo, SP 88,57 4

Curitiba, PR 87,15 5

Ipojuca, PE 47,14 118

Horizonte, CE 46,98 119

Itapissuma, PE 45,42 120

São Gonçalo do Amarante, CE 43,87 121

Itaitinga, CE 43,82 122

A tabela 5.4 mostra os 5 municípios mais bem classificados, assim como os 5 últimos, segundo o índice da SPSE. Os primeiros lugares pertencem às principais

regiões metropolitanas brasileiras (São Paulo, Rio de Janeiro, Porto Alegre e Curitiba).

Já os cincos últimos pertencem à região Nordeste (estados do Ceará e Pernambuco). A tabela 5.5 mostra o mesmo, segundo a SPSUS. Os primeiros lugares pertencem à região metropolitana de São Paulo, e os últimos aos estados do Ceará ou de Pernambuco, (exceto Paracambi, RJ).

Tabela 5.5 – resultados do índice: Soma Ponderada da utilização de serviços do SUS.

Municípios SPSUS Classificação

Ferraz de Vasconcelos, SP 7,75 1

São Bernardo do Campo, SP 5,66 2

Santo André, SP 5,45 3

Diadema, SP 5,24 4

Mauá, SP 4,88 5

Itapissuma, PE -3,63 118

Horizonte, CE -4,06 119

Maranguape, CE -4,24 120

Ilha de Itamaracá, PE -4,81 121

Paracambi, RJ -6,60 122

5.4.1 – Diferenças:

Das tabelas acima, pode ser visto que Paracambi, RJ, possui a maior diferença negativa entre os municípios analisados (- 103), pois foi classificado em 18º no índice da SPSE e em 121º na classificação da variável proporção de beneficiários. Por outro lado, o município de Diadema localizado em São Paulo, obteve a maior diferença positiva (40), pois foi classificado em 49º lugar no índice da SPSE e em 9º lugar na classificação da variável proporção de beneficiários.

CAPÍTULO 6 DISCUSSÃO

Após o término da compilação da base de dados chamada Assistência Médico-Sanitária (AMS), que apresentava uma estimativa dos convênios de saúde no país, a PNAD passou a ser considerada como a fonte de informações de maior importância para discussões sobre saúde suplementar no Brasil. Esta importante pesquisa amostral, de responsabilidade do IBGE, mostrou-se fundamental para o estudo, pela disponibilização de informações relativas à utilização e acesso a serviços de saúde.

Assim, um banco de dados com informações claras e completas pôde ser utilizado, garantindo a representatividade da pesquisa. Por este motivo, o estudo foi restringido às nove regiões metropolitanas brasileiras. No entanto, a composição destas variáveis com informações obtidas de outras fontes, como o DATASUS, demandou um esforço acentuado de compatibilização, homogeneização e adequação dos dados disponíveis.

Outra variável que exigiu um trabalho intenso para sua preparação foi a faixa de classes, baseada no novo critério de classificação econômica Brasil (CB) (CCEB, 2008). Atualmente, o uso de variáveis baseadas em padronização da posse de bens é favorecido relativamente ao uso de indicadores mais simples, como renda per capita, uma vez que reconhecidamente estas são de mensuração mais complexa, sendo sujeitas a sérios erros de medida, tais como sub-estimação das rendas superiores e super-estimação das inferiores. Critérios baseados em posse de bens e serviços são, portanto, mais objetivos e de medida mais simples. No presente estudo, essa variável foi obtida a partir da determinação da distribuição de renda (disponível no banco PNAD) e a associação dos escores-Z padronizados desta distribuição aos escores respectivos na distribuição CB para o Brasil.

Como dito, a variável IDH-m combina dados educacionais, de renda e longevidade ao nível municipal, sendo calculada de forma similar a seu análogo para países. Para essa variável, foram utilizados valores relativos ao ano 2000, uma vez que estes eram os últimos disponíveis. No entanto, esses valores podem ser considerados aproximadamente estáveis, sendo, portanto possível aceitá-los para o ano de interesse do presente estudo (2003). Note-se ainda que essa é uma variável de extrema importância para a caracterização de populações, sendo atualmente o indicador internacional mais usado para a classificação de países.

Como discutido, durante a última década a assistência médica suplementar constituiu-se em parte significativa do mercado de serviços de saúde no Brasil, apresentando um expressivo crescimento no período. A implantação do SUS e essa expansão do setor aceleraram, também, a criação de regulação específica (ALMEIDA, 2000). A expansão do mercado privado foi também causada pelo fato de que a universalização SUS trouxe consigo a necessidade da implantação de mecanismos do tipo “racionamento” (por exemplo, filas de espera para atendimento). Esses mecanismos, por vezes, causaram uma queda na qualidade do sistema público, fazendo com que segmentos da população se retirassem do sistema.

Conceitos intuitivos são confirmados pelas informações da PNAD 2003. Por exemplo, nos últimos 12 meses que antecederam aquela pesquisa, a proporção de indivíduos maiores de 64 anos que afirma ter consultado um médico foi de 49,9%, o que ratifica a idéia de que as pessoas mais idosas buscam mais os serviços de saúde públicos. Outro aspecto diz respeito à relação renda x seguridade em saúde, uma vez que, quanto menor o rendimento familiar mensal, maior a procura por postos ou centros de saúde (rede pública), e inversamente, quanto maior o rendimento mensal, maior a

procura pelos consultórios particulares ou ambulatórios de clínicas (IBGE, 2000 e 2005).

Ainda não existe um consenso internacional sobre qual a organização de um sistema de saúde preferível para determinado contexto. Por exemplo, na Inglaterra a atuação do setor privado é similar ao caso brasileiro, enquanto nos EUA, cerca de 60% da população possui cobertura de seguro de saúde desse tipo (CUTLER e ZECKHAUSER, 2001). No Canadá, o sistema de assistência médica é predominantemente financiado pelo setor público e oferecido pelo setor privado, já que mais de 95% dos hospitais canadenses são entidades privadas sem fins lucrativos. Serviços suplementares são fornecidos principalmente pelo setor privado, sendo este a única característica comum com o sistema de saúde no Brasil.

Como dito, poucos estudos no país têm se dedicado à análise das questões relacionadas à adesão a planos de saúde e seus aspectos sócio-econômicos ou demográficos. NORONHA e ANDRADE (2002), afirmam que o aumento das chances de procurar serviços de saúde estaria diretamente relacionado a maior escolaridade e acesso aos serviços públicos (água, luz, esgoto, coleta de lixo), e VIACAVA et al., 2002, também verificou que os indivíduos com maior escolaridade, os empregadores ou os assalariados com carteira assinada e os brancos apresentam chances mais elevadas de procurar os serviços de saúde, tanto preventivos quanto curativos. BAHIA et al,, (2006) a partir de dados da PNAD 2003, mostra que, nas regiões brasileiras economicamente mais favorecidas (Sudeste e Sul), predominam os planos de saúde empresariais privados e os planos individuais (nessa ordem, 14,8% e 11,1% na região Sudeste e 10,6% e 8,9%

na região Sul). Nas regiões Nordeste e Norte encontram-se as menores proporções, com coberturas de 3,9% e 4,5%, respectivamente, para planos individuais e de 3,8% e 4,7%, respectivamente, para planos empresariais privados.

PORTO, SANTOS E UGÁ (2006) também mostram que a distribuição proporcional de indivíduos com planos de saúde cresce, de fato, em relação direta com o crescimento da renda, Similarmente, entre 1999 e 2002 houve uma queda de beneficiários de aproximadamente 6,5 milhões, provavelmente devido ao fato de que o custo de um plano foi mantido, mas o poder de compra do consumidor nesta época diminuiu (ANS, 2008).

Quanto à abrangência da cobertura de planos privados de saúde, pode-se afirmar, a partir do presente estudo, que a média das proporções das coberturas dos 122 municípios foi de aproximadamente, 23,5%. O foco do presente estudo não foram indivíduos, e, sim, municípios, tendo sido observada uma faixa de variação entre 1,5%

(São Gonçalo do Amarante, CE e Paracambi, RJ) e 59,2% (Ferraz de Vasconcelos, SP) na proporção de posse de planos de saúde. Assim, ficou evidente a diferença na distribuição da cobertura entre as regiões metropolitanas brasileiras, pois existe uma grande variabilidade, associada a fatores sócio-econômicos e demográficos, entre os diferentes municípios e regiões estudadas.

O estudo foi também capaz de detectar impactos importantes de variáveis sócio-econômicas. O coeficiente de regressão encontrado para a variável IDH-m mostra que a proporção de beneficiários aumentaria 5,8 para 0,1 de aumento desta variável, e, para a variável proporção de faixa de classes, esta relação é 0,88 de aumento na proporção de beneficiários para cada aumento de uma unidade na variável. Relativamente às variáveis demográficas, para a variável proporção de sexo (categoria masculino) o sinal de negativo (-0,45) do coeficiente (não-padronizado) mostra que uma correlação inversa entre a proporção de beneficiários de planos e a proporção do sexo masculino. Para a variável proporção da faixa etária, foi encontrada uma associação direta entre o percentual de jovens e a posse de planos de saúde, efeito esse já detectado em outros

trabalhos (OCKÉ-REIS 2002). Deve ser notado que esta associação contraria o que seria de se esperar, uma vez que, naturalmente, a maior demanda por serviços de saúde dá-se precisamente entre os que possuem, proporcionalmente, o menor número de planos. Provavelmente, isso dá-se devido aos preços diferenciados dos planos de saúde nessa faixa etária, uma vez que, como apontado, a relação renda x posse de plano encontra-se bem demonstrada na literatura.

Ainda com relação a fatores sócio-econômicos, foi realizada, no presente estudo, uma classificação municipal a partir dos preditores sócio-econômicos (IDH-m e faixa de classes) identificados no modelo, o SPSE (Soma Ponderada Sócio-Econômica). Essa classificação foi baseada no princípio de que, hipoteticamente, municípios deveriam classificar-se similarmente em termos sócio-econômicos e de percentuais de posse de planos, uma vez que os primeiros foram preditores dos segundos. Por exemplo, seja o município A, com alto poder aquisitivo (classificação elevada no índice SPSE), mas baixo percentual de posse de plano; e seja o município B, na situação inversa (baixa classificação SPSE e alta classificação no percentual de posse). Para o município A, o que ocorre é que, possivelmente, a oferta de serviços públicos é suficiente para a

No documento MODELAGEM DA COBERTURA DE PLANOS DE SAÚDE EM MUNICÍPIOS DAS REGIÕES METROPOLITANAS BRASILEIRAS (páginas 34-54)